产品分析报告 v1.0

MEM 睡眠精力预测
产品方案分析

基于「被动监测 × 主动认知测试 × 主观量表」三模态融合架构，构建消费级精力预测与睡眠障碍筛查系统

📅 2026 年 7 月·基于《App睡眠精力预测调研》·MEM Research Team
1新方案的核心思路
从单一睡眠监测，升级为"三模态融合"多维评估体系

多模态数据融合架构图

① 被动监测（夜间）
HRV（RMSSD / SDNN）
睡眠分期（深睡/REM/浅睡）
SpO₂ 血氧 / ODI 氧减指数
静息心率（RHR）
入睡后觉醒时间（WASO）
睡眠时长 / 效率 / 连续性

来源：Apple Watch / Oura / Garmin（通过 HealthKit）

→
⚡
多模态融合引擎
Phase 1 · MVP
规则引擎 + 加权公式
HRV偏差触发门控
5-8指标固定权重
无需ML训练
适用：早期用户 <1000人
Phase 2 · 数据积累后
XGBoost
非线性特征预测
自动特征重要性
每日表格数据输入
适用：1000人+ · 30天+数据
Phase 3 · 规模化
CNN-LSTM
原始时序信号处理
自适应特征加权
缺失模态填充
适用：万级用户 · 原始传感器流
个人基线校正（全阶段）
→
② 主动认知测试（晨间）
✓ 选用  DSST 数字符号替换
60-90秒 · 延迟容忍 · 游戏化体验好
✗ 暂不选  PVT 精神运动警觉性
手机延迟35-140ms · 影响数据精度
✗ 暂不选  Stroop / N-Back
适合日间打卡 · 非晨间主流程
直接定标中枢神经系统疲劳度
③ 主观量表（动态嵌入）
ISI 失眠严重程度指数（7题）
STOP-Bang OSA 筛查（8题）
分散在注册流程与日常交互中
→
输出结果
82
次日综合精力指数（0-100）
精力时点预测
8个时点波峰波谷曲线
睡眠障碍风险
OSA / 失眠 临床分层预警
🧠

主客观融合

被动生理数据+主动认知测试双重校准，解决"设备显示睡眠好但人仍疲惫"的主客观割裂问题

🎯

个人基线优先

参考 Oura Ring 的算法思路——脱离个体差异的绝对值无意义，所有评分基于用户14天个人基线的偏差计算

⚡

智能门控

被动数据显示完美恢复→自动免除晨间测试；异常信号→强制推送测试，减少用户负担

🔌

设备无关

通过Apple HealthKit / Health Connect统一接入，支持Apple Watch、Garmin、Oura等主流品牌

🩺

健康辅助筛查

内置 OSA 高风险预警（STOP-Bang + ODI）及 ISI 失眠量表，在精力管理之外提供睡眠相关健康病症的早期辅助筛查

两种接入模式
App 同时支持穿戴设备接入（完整模式）和纯手机使用（精简模式），两种模式能力有显著差异
🥇 完整模式 穿戴设备 + 手机
✓ 三模态融合：被动监测 + 认知测试 + 主观量表
✓ HRV 智能门控：恢复好时自动免除晨间测试
✓ 高精度精力预测（准确度 AUC ~0.90）
✓ OSA 睡眠呼吸暂停精准筛查（SpO₂ + ODI）
✓ 8个时点精力曲线预测
✓ 睡眠分期分析（深睡 / REM / 浅睡）
✓ 日间打卡时间动态推送（基于实际睡醒时间 + 精力预测曲线）
支持：Apple Watch · Oura Ring · Garmin · 小米手环等（通过 HealthKit / Health Connect 接入）
📱 精简模式 仅手机（无穿戴设备）
✓ 每日 DSST 认知测试（必做，无门控）
✓ 睡眠日记 + ISI / STOP-Bang 主观量表
✓ 基线估算精力预测（AUC ~0.65）
△ 无 HRV / SpO₂ 被动监测
△ 无 OSA 筛查（缺乏 ODI 数据）
△ 无睡眠分期，依赖手动填写睡眠时长
△ 日间打卡为固定时间点（基于注册时作息设置）
⚠ 当前为估算值，误差较大。建议佩戴 Apple Watch 等设备以获取更准确的预测结果。
主动认知测试方案评估
基于调研文档对5种测试方案的系统性分析，从工程可行性、用户体验、科学验证三个维度给出各方案的长期取舍决策及原因
晨间测试方案
✓ 核心测试方案 DSST 数字符号替换
测试内容：屏幕显示数字-符号密钥矩阵，中央随机出现符号，用户60-90秒内快速匹配对应数字
考察维度：处理速度、视觉运动协调、工作记忆、执行功能
睡眠敏感度：睡眠剥夺导致认知吞吐量显著下降，对慢性睡眠限制极为敏感
✓ 选用原因：衡量固定时间窗内总完成量，对设备延迟容忍度高；游戏化潜质强；跨设备数据稳定性优异；60-90秒完成，用户依从性好
⚠ 注意：存在练习效应——需每次随机重置符号映射，算法层做基线漂移校准
在线 Demo： ▶ Pavlovia ▶ PsyToolkit
✗ 暂不选用 PVT 精神运动警觉性
测试内容：随机间隔（0-4秒）出现视觉刺激，快速按键反应；记录反应时、迟缓次数（>355ms）和误启动
考察维度：持续注意力、行为警觉性；对睡眠剥夺最敏感，且不受智力和学习效应干扰
临床验证：截面相关性高（r=0.94~0.96，Basner & Dinges 2011）——在同一时间点，短版与标准版对同批人的排序结果高度吻合；但这是静态截面相关，并不等同于纵向追踪敏感性
✗ 不选原因（三点）： ① 用户负担过高：即便3分钟简版，单次测试时长也是 DSST（90秒）的2倍，日均强制会显著提高流失率；每周2-3次的频次也难以支撑连续基线追踪 ② 短版灵敏度存疑：Antler et al., 2022 指出3分钟简版 PVT 与标准10分钟版本在睡眠损失和恢复过程中一致性不足，不可直接等同，产品表达需额外留余地 ③ DSST 已足够覆盖核心需求：晨间处理速度与注意力的日常监测，DSST 敏感性已经充分；PVT 的差异化价值（持续警觉性）更适合睡眠异常后的阶段性验证，不适合作为每日主测试
日间可选测试
◎ 日间可选 Stroop 冲突测试
测试内容：显示颜色词（如"红"）但字体颜色不一致，用户需识别字体真实颜色而非阅读词义
考察维度：前额叶抑制控制（Response Inhibition）
局限：对急性睡眠剥夺不敏感，更能检测日间累积的认知负荷型疲劳
◎ 定位：不纳入晨间主流程。适合日间打卡（下午/傍晚）的深度测试选项，用于区分"睡眠恢复不足"vs"日间认知过载"两种疲劳类型，给出差异化干预建议
在线 Demo： ▶ memorize.link
◎ 日间可选 N-Back 工作记忆
测试内容：依次显示字母/形状序列，判断当前刺激是否与 N 步前刺激相同（1-Back / 2-Back）
考察维度：工作记忆更新能力；24h+睡眠剥夺后准确率断崖下降，反映前额叶皮层受损
局限：学习效应显著、本身令人疲惫、用户依从性低
◎ 定位：不纳入晨间主流程。可作为日间深度检测，或科研场景（连续睡眠限制追踪）的数据采集工具
在线 Demo： ▶ psych.ac.cn
◎ 日间可选 击键动力学（App内打字任务）
测试内容：在 App 内输入固定标准句，UITextView 自有 API 捕获每次按键时间戳，无需任何额外权限，约20-30秒完成
采集指标：键间隔均值（IKI）· 节律稳定性（IKI标准差）· 错误率（退格/总按键）· 字符/分钟；连续清醒后打字速度下降、节律混乱，ML识别准确率 91%+
优势：固定标准句使基线更稳定，纵向对比精度优于后台被动采集
◎ 定位：不纳入晨间主流程。与 DSST（工作记忆/注意力）互补，测精细运动控制与精神运动速度，适合日间打卡深度检测选项
注：原始"击键动力学"方案为后台监控打字行为（需自定义键盘权限），因 iOS 隐私合规成本高、用户拒绝率大，改为 App 内主动打字任务实现等效目标
📐 设备延迟对各测试的影响分析

手机屏幕刷新帧（60fps ≈ 16ms）和触控处理引入的系统性延迟，对不同测试的影响程度取决于核心指标的类型，而非“是否考验反应力”。

PVT ⚠ 高影响
核心指标 = 反应时绝对值（ms）。设备延迟波动（±20–40ms）与睡眠剥夺信号（20–50ms）同数量级，直接污染结果
DSST ✓ 低影响
核心指标 = 90秒内完成数量（计数）。每次按键延迟相同，总计数几乎不变；同设备内纵向比较系统性偏差抚消
Stroop ✓ 低影响
核心指标 = 准确率 + 冲突代价（不一致RT − 一致RT）。准确率不受延迟影响；差値计算中延迟相减抚消
N-Back ✓ 低影响
核心指标 = 命中率 / 漏报率（准确率）。响应窗口约数百毫秒，远大于设备延迟；对错与延迟无关

💡 结论：PVT 以毫秒级绝对 RT 为产出，对时序噪声本质敏感；其余三项测试的核心指标为计数、准确率或相对差値，对系统性固定延迟天然免疫，不存在同等级别的精度问题。

2解决哪些用户痛点
现有睡眠App的核心缺陷，以及我们方案对应的解法
😫 "8小时睡眠，白天还是很困"
传统App只看睡眠时长，无法评估大脑实际恢复状态。→ 我们用晨间DSST认知测试直接定标中枢神经系统状态，睡眠时长长≠精力充沛。
📊 "手表说我睡眠好，但我自己感觉很差"
单纯体动记录将失眠患者静卧误判为深睡，WASO严重低估。→ 融入ISI主观量表+HRV，识别"矛盾性失眠"，给心理层面干预而非增加睡眠时间。
⏰ "我不知道今天下午几点精力最低"
现有工具只给出"睡眠评分"，不告诉你白天的精力曲线。→ 我们提供8个时点的精力预测曲线，指导用户安排高强度工作、休息、运动的最佳窗口。
😴 "我可能有睡眠呼吸暂停，但不想去医院"
临床多导睡眠监测昂贵且有"首夜效应"，门槛极高。→ 结合SpO₂/ODI+STOP-Bang量表，实现居家OSA风险分层预警，AUC达0.86-0.89。
📱 "每天做测试太麻烦了，不想用"
强制每日认知测试导致用户流失。→ 智能门控：HRV超基线时自动免测；测试融入"关闭闹钟"流程，游戏化奖励激励参与。
📉 "换了设备数据就中断了，历史记录失效"
大多数App绑定单一设备品牌。→ 通过HealthKit/Health Connect统一接入，支持主流品牌切换，个人基线数据持续有效。
现有产品四大核心缺陷
📊
精力预测不准
仅依赖睡眠时长评分，忽视 HRV、血氧等生理恢复质量指标，主客观数据割裂，同一睡眠时长对应完全不同的次日状态
🫁
失眠 / OSA 筛查缺失
现有消费级 App 缺乏 ISI 失眠量表与 STOP-Bang + ODI 的居家筛查能力，用户无法在就诊前获得有意义的风险评估
⏰
白天精力时点预测缺失
只给出单一"睡眠评分"，不提供当日各时点（上午 / 午后 / 傍晚）的精力高低预测，用户无法据此合理安排工作与休息
😩
依从性差
强制每日完整认知测试（如 10 分钟 PVT）导致用户快速流失；缺乏智能门控机制，无法在恢复良好时自动减负
3市场竞品分析
5款最具代表性的同类App深度对比（含功能对比矩阵）
RISE: Sleep Tracker
Rise Science · iOS/Android · 订阅制
健康榜单长期榜首。核心概念是"睡眠负债"和"生理节律"，预测白天精力波峰波谷时间窗，给出具体行为建议。不做主动认知测试，纯被动数据驱动。
精力曲线预测多设备接入无认知测试
✓生理节律精力波峰/波谷预测
✓睡眠负债累计追踪
✓行为干预建议（午睡/咖啡因）
✗无主动认知测试（仅被动）
✗无OSA/失眠临床筛查
✗无个性化基线建立期
ReadiOne by Fatigue Science
Fatigue Science · iOS/Android
企业级疲劳管理系统的C端版本。采用SAFTE生物数学模型，整合Apple Health / Garmin多设备数据，给出未来18小时ReadiScore精力预测。时序预测可视化是亮点。
SAFTE模型18h预测无认知测试
✓未来18小时精力时序预测
✓多设备数据整合（Apple/Garmin/Fitbit）
✓生物数学疲劳模型（SAFTE）
✗无主动认知测试
✗无个人基线校准
✗无睡眠障碍筛查
CogniTrack
独立开发者 · iOS · 免费
专注PVT认知测试的轻量级工具。支持个人基线建立，全天多次6-Trial快速测试，不依赖云端账户，UI极简。是主动认知测试产品化的优质参考，但缺乏睡眠数据整合。
PVT测试个人基线无睡眠数据
✓临床级PVT精简版认知测试
✓个人基线建立（10 Trial）
✓全天多次6-Trial快速测试
✗无睡眠/生理数据整合
✗无精力预测功能
✗无干预建议
AlertMeter
Predictive Safety · iOS/Android · 企业版
工业级警觉性测试工具，60秒图形逻辑认知测试替代10分钟PVT。核心是"防作弊门控"设计和动态分数阈值。适合高风险行业，对C端用户体验偏重。
工业级60s测试无睡眠整合
✓60秒快速警觉性测试
✓动态分数阈值（防疲劳代偿）
✓防作弊门控设计
✗无睡眠数据整合
✗C端体验偏重，依从性差
✗无精力预测和建议
TG Alertness
· iOS · 小众
最接近三模态融合理念的现有产品。结合斯坦福嗜睡量表（主观）+客观反应时间测试（主动）+24小时睡眠时长的生理节律（被动），输出综合警觉性风险指数，但数据来源单薄。
三模态节律预测数据来源弱
✓主观量表+主动测试+被动数据三合一
✓生理节律建模
✓综合风险指数输出
✗被动数据仅睡眠时长，不接入HRV
✗无个人基线建立
✗无睡眠障碍筛查
MEM（我们）
MEM Research · iOS · 内测
完整三模态融合方案，同时覆盖精力预测、认知测试、睡眠障碍筛查、个人基线校准和智能门控，在同类产品中具有显著的功能完整性优势。
三模态融合智能门控个人基线障碍筛查
✓被动监测（HRV/SpO₂/分期）完整版
✓主动认知测试（DSST，智能触发）
✓主观量表（ISI + STOP-Bang）
✓精力时点曲线预测（8时点）
✓OSA / 失眠 临床风险分层
✓个人14天基线 + 智能门控

功能对比矩阵

功能维度RISEReadiOneCogniTrackAlertMeterTG AlertnessMEM（我们）
夜间被动监测（HRV/SpO₂）✓✓✗✗△仅时长✓ 完整
主动认知测试✗✗✓ PVT✓ 图形✓ 反应时✓ DSST游戏化
主观量表（ISI/STOP-Bang）✗✗✗✗△斯坦福✓ ISI+STOP-Bang
精力时点曲线预测✓✓ 18h✗✗△✓ 8时点
OSA / 失眠临床筛查✗✗✗✗✗✓ 分层预警
个人基线建立（14天）✓✗✓✗✗✓ 强制14天
智能门控（减少测试负担）✗✗✗✗✗✓ HRV自动触发
日间精力打卡校准✗✗✗✗✗✓ 8时点打卡
AI个性化睡眠报告△✗✗✗✗✓ LLM生成

✓ 支持   △ 部分支持   ✗ 不支持

📱 RISE: Sleep Tracker — 产品截图参考

横向滑动查看全部截图 · 共19张

RISE截图1 RISE截图2 RISE截图3 RISE截图4 RISE截图5 RISE截图6 RISE截图7 RISE截图8 RISE截图9 RISE截图10 RISE截图11 RISE截图12 RISE截图13 RISE截图14 RISE截图15 RISE截图16 RISE截图17 RISE截图18 RISE截图19
4采集指标 & 各设备开放情况
主流消费级穿戴设备通过系统级API开放的健康数据字段
⌚
Apple Watch
Series 6+ / Ultra · via HealthKit
睡眠分期（深睡/REM/浅睡/清醒）✓ 开放
HRV（SDNN，夜间样本）✓ 开放
静息心率（RHR）✓ 开放
血氧 SpO₂（夜间均值）✓ Series 6+
呼吸率✓ 开放
皮肤温度变化量✓ Series 8+
睡眠时长 / 效率✓ 开放
WASO（入睡后觉醒）△ 可推算
ODI（氧减指数）△ 需自行计算
EDA（皮肤电导）✗ 未开放
💍
Oura Ring
Gen 3/4 · via Oura API / HealthKit
睡眠分期（深睡/REM/浅睡/清醒）✓ 最精准
HRV（RMSSD，5min粒度）✓ 夜间连续
静息心率（RHR）✓ 开放
血氧 SpO₂✓ 开放
呼吸率✓ 开放
皮肤温度绝对值✓ 高精度
WASO（入睡后觉醒）✓ 直接提供
睡眠效率✓ 开放
准备度评分（Readiness）✓ 开放
EDA✗ 无此传感器
🏃
Garmin
Fenix / Forerunner · via HealthKit
睡眠分期✓ 开放
HRV Status（RMSSD周均值）✓ 开放
静息心率✓ 开放
血氧 SpO₂✓ 开放
压力指数（HRV推算）✓ 开放
身体电量（Body Battery）✓ 开放
皮肤温度△ 部分型号
呼吸率✓ 开放
WASO△ 可推算
ODI△ 需自行计算
💪
WHOOP 4.0
via WHOOP API / HealthKit
睡眠分期✓ 开放
HRV（RMSSD，夜间连续）✓ 核心指标
静息心率（RHR）✓ 开放
血氧 SpO₂✓ 开放
呼吸率✓ 开放
皮肤温度✓ 开放
皮肤电导（EDA）独有✓ 开放
恢复评分（Recovery Score）✓ 开放
活动应变（Strain）✓ 开放
WASO△ 可推算
⌚
Samsung Galaxy Watch
6/7 · via Health Connect
睡眠分期✓ 开放
HRV（RMSSD）✓ 开放
静息心率✓ 开放
血氧 SpO₂✓ 开放
皮肤温度✓ 开放
压力指数✓ 开放
睡眠评分（内置）✓ 开放
WASO△ 可推算
血压（实验性）△ 需校准
EDA✗ 未开放
📟
Fitbit (Google)
Sense 2 / Pixel Watch · via Health Connect
睡眠分期✓ 开放
HRV（RMSSD）✓ 开放
静息心率✓ 开放
血氧 SpO₂✓ 开放
皮肤温度变化量✓ Sense 2
压力管理评分✓ 开放
EDA（Sense型号）△ Sense 1/2
睡眠评分✓ 开放
WASO△ 可推算
呼吸率✓ 开放
✓ 开放 — 通过官方API/HealthKit可直接获取 △ 部分 — 需额外计算或仅特定型号 ✗ — 未开放或无此传感器
5最小必要数据集
大多数消费级设备均可提供、足以支撑精力预测核心算法的最少指标
设计原则：以下指标在 Apple Watch S6+、Oura Gen3+、Garmin Fenix7+、Samsung Galaxy Watch 6+ 上均可获取，覆盖当前主流用户群 90% 以上。被动指标均在夜间自动采集，用户零操作。

夜间被动采集（睡眠期间，设备自动完成）

P1
睡眠总时长 & 效率
上床到起床的总时间、实际睡眠时间占比（睡眠效率 = 睡眠时长/卧床时长×100%）。效率持续低于85%是失眠的关键客观信号。
全部主流设备均支持 · HealthKit: HKCategoryTypeIdentifierSleepAnalysis
P2
睡眠分期比例（深睡 / REM / 浅睡 / 清醒）
深睡比例20-25%为健康范围，REM睡眠18-25%与记忆巩固相关。分期数据是计算"质量型疲劳"的核心特征。
Apple Watch S6+ · Oura Gen3+ · Garmin Fenix7+ · Samsung GW6 ✓
P3
夜间 HRV（RMSSD 或 SDNN）
自主神经系统恢复状态的核心指标。与个人14天基线对比的偏差量（而非绝对值）是精力预测最重要的特征。当晚HRV低于基线1个标准差→触发晨间DSST测试。
Apple Watch（SDNN）· Oura（RMSSD）· Garmin / Samsung / WHOOP ✓
P4
静息心率（RHR）
夜间最低心率（通常在深睡末期测量）。连续多天RHR上升超过5bpm是过训练/疾病/压力的预警信号，与次日精力下降高度相关。
全部主流设备均支持 ✓
P5
夜间最低血氧 SpO₂
用于OSA筛查（ODI计算）。单次低于94%或夜间频繁下降（>15次/小时超过3%）需结合STOP-Bang评分触发OSA预警。
Apple Watch S6+ · Oura Gen3+ · Garmin · Samsung GW6 ✓
P6
入睡时刻 & 起床时刻
用于计算昼夜节律相位、推算日间8个精力时点位置。睡眠时间的规律性（Sleep Regularity Index）是比睡眠时长更强的精力预测因子。
全部主流设备均支持 ✓

晨间主动采集（用户起床后，仅在HRV异常时触发）

A1
DSST 认知测试得分（处理速度）
60-90秒内在屏幕上完成"数字→符号"匹配的正确题数。直接反映大脑前额叶和信息处理速度。与个人基线对比的偏差 = 当日认知疲劳量化值。
仅在HRV低于基线或SpO₂异常时智能触发，正常状态自动免测。
App内实现（React Native）· 无需额外设备

周期性主观量表 & 日常主动输入

S1
ISI 失眠严重程度指数（7题）
每2周触发一次。通过简洁弹窗评分（0-4分×7题）。0-7分正常；8-14分阈下失眠；15+分临床失眠。与被动数据交叉验证识别"矛盾性失眠"。
注册时 + 每2周弹窗 · 完成时长约90秒
S2
STOP-Bang OSA 筛查（8题）
仅注册时完成一次。年龄/性别/BMI在注册时采集，仅需补充"打鼾/被观察到呼吸暂停/高血压/颈围/疲倦"5个二元问题。评分≥5 + ODI≥15/h 触发OSA红色预警。
注册流程中完成 · 完成时长约30秒
S3
睡前日记（每日）
睡前填写当晚就寝时间、预计睡眠时长、睡前状态（压力/咖啡因/运动）。完整模式下作为辅助校准；精简模式（无穿戴设备）中是睡眠时长的唯一来源，替代 HealthKit 被动采集，为次日精力预测提供基础输入。
每日睡前推送 · 完成时长约20秒 · 精简模式必填，完整模式可选
S4
日间精力打卡（每日3-4次）
系统在预测精力波谷前推送（完整模式动态时间；精简模式固定时间点），用户以1-5分自评当前精力状态并可选打标签（疲惫/焦虑/注意力差）。数据用于实时校准预测曲线并积累个人精力-行为关联标签，连续2次评分偏低时触发可选 Stroop/N-Back 深度检测。
每日3-4次推送 · 单次约10秒 · 完整模式与精简模式均必须完成
关键结论：上述 6项被动指标（完整模式）+ 1项晨间主动测试（DSST）+ 4项主观输入（S1–S4），即可支撑精力预测核心算法运行并实现OSA/失眠初级临床筛查。被动指标均由Apple HealthKit统一接入，无需区分设备品牌；精简模式在缺乏穿戴设备时以 DSST + 睡前日记 + 精力打卡替代被动生理指标，AUC 从 ~0.90 降至 ~0.65。
精力预测特征权重（初版，基于文献综合）
两种接入模式因可用特征不同，权重分布有本质差异
🥇 完整模式（AUC ~0.90）
HRV vs 个人基线偏差量32%
DSST 认知测试得分22%
睡眠分期比例（深睡 + REM）18%
静息心率 vs 基线偏差12%
睡眠时长 & 效率10%
日间精力打卡自评（S4）4%
夜间最低 SpO₂2%
📱 精简模式（AUC ~0.65）
DSST 认知测试得分45%
睡眠时长（睡前日记 S3 填写）25%
日间精力打卡自评（S4）20%
ISI 失眠量表得分（S1）10%
⚠ 缺乏 HRV 和睡眠分期，DSST 承担了主要权重，误差显著高于完整模式。建议精简模式用户坚持每日 DSST + 睡前日记 + 全部精力打卡，以维持模型最低可靠性。
6用户操作流程图
从注册到日常使用的完整交互路径
一次性注册（约5分钟）
下载App & 注册账号
→
填写健康档案
年龄/性别/身高/体重
→
STOP-Bang 问卷
OSA风险初步筛查 · 8题
→
ISI 失眠量表
7题初始评估 · 约90秒
🥇 完整模式
HealthKit / Health Connect 授权
睡眠 · 心率 · HRV · SpO₂ 全量接入
↓
设置起床 & 就寝时间
用于晨间流程触发 · 系统以实际睡眠时间为准动态调整
或
📱 精简模式（无穿戴设备）
手动输入作息时间表
常规起床时间 · 工作开始 · 工作结束 · 就寝时间
↓
系统生成固定打卡时间点
起床后30min · 工作开始3h · 下午低谷期 · 睡前1h
日历提醒代替智能推送
↓
注册完成后即刻开始 · 从 Day 1 每天运行
基线建立期（Day 1–14）
每天早晨运行 · 建立个人生理+认知双基线
① 拉取昨夜睡眠数据
HealthKit → HRV · SpO₂ · 睡眠分期 · RHR
↓
② 必做 DSST 认知测试
60–90秒 · 游戏化符号匹配
⚠ 无智能门控 — 每天必须完成
目的：建立个人认知基线均值和方差
↓
③ 查看睡眠报告
昨夜评分 + 睡眠分期时间轴
基线进度：第 X / 14 天
精力预测曲线暂未解锁
夜间自动采集（每晚）
HRV · SpO₂ · 睡眠分期 · 心率 → 写入HealthKit
次晨自动拉取 · 用户无感知
↓
↻ 14天内每日重复
✓ Day 14 完成
生理基线 & 认知基线建立完毕
精力预测功能正式解锁 🔓
Day 14
完成后
→
解锁
精力预测
正式使用期（Day 15+）
智能门控启动 · 精力预测解锁 · 约2–3分钟/天
① 拉取昨夜睡眠数据
同基线期 · HRV · SpO₂ · 睡眠分期 · RHR
↓
② HRV > 个人基线？且 SpO₂ 正常？
智能门控判断 · 与个人14天基线对比
是 → 免除测试
否 → 触发测试
↓
✓ 免除测试
HRV良好 · 跳过DSST
直接查看报告
↓
DSST 认知测试
60–90秒 · 游戏化
更新精力评分
↓ 两条路径汇合
↓
③ 查看睡眠报告
昨夜评分 + 分期时间轴 + AI解读（LLM生成）
↓
④ 精力预测曲线 🔓
今日8时点预测得分 · 波峰/波谷时间
建议：最佳工作窗口 / 午睡时机 / 咖啡因摄入
↓
以下全程运行（基线期 & 正式期均有）
日间 & 夜间（每天持续运行）
精力打卡（日间3-4次）
🥇 完整模式 · 动态时间
根据穿戴设备采集的实际睡醒时间
+ 晨间精力曲线预测结果
→ 在预测精力下滑前15min推送
例：昨晚0:30入睡 · 今日8:10起床
系统推送：10:40 / 14:00 / 17:30 / 22:00
若连续2次打卡精力偏低
第3次追加可选 Stroop/N-Back
📱 精简模式 · 固定时间
根据注册时填写的作息时间表
系统自动计算固定打卡时间点：
① 起床时间 + 30min（晨间状态）
② 工作开始 + 3h（上午低谷）
③ 起床时间 + 8h（下午低谷）
④ 就寝时间 - 1h（睡前状态）
以日历提醒代替智能推送
作息改变时可手动重新设置
7功能模块路线图
按发布阶段分类的核心功能清单及其实现优先级
MVP
概念验证·走通核心流程
单模式·规则层模型·无项目问题
用户注册
● 健康档案填写（年龄/性别/BMI）
● STOP-Bang 问卷（OSA初筛）
● ISI 失眠量表（初始评估）
● HealthKit 授权接入
● 起床 / 就寝时间设置
每日晨间
● 拉取昨夜 HealthKit 睡眠数据
● DSST 认知测试（必做，无门控）
● 简单睡眠报告（时长 / 评分）
日间 / 夜间
● 日间精力打卡（S4，固定时间）
● 睡前日记（S3）
● 14天基线建立期（规则层精力指数）
模型
● 规则层（加权公式）精力预测
● 仅支持完整模式
v1.0
正式上线·完整产品体验
双模式·XGBoost·智能门控
模式完善
● 精简模式完整支持（无设备用户）
● 模式切换流程与免责声明
智能门控
● HRV 智能门控（恢复好时自动免测 DSST）
● SpO₂ 异常则强制推送测试
精力预测
● 8个时点精力曲线预测
● XGBoost 模型（替代规则层）
● 完整模式动态打卡时间推送
临床筛查
● OSA 高风险预警（STOP-Bang + ODI）
● 每2周 ISI 复测自动推送
日间测试
● Stroop / N-Back（日间可选，系统触发）
● 击键动力学 App 内打字任务
报告与 AI
● LLM 生成个性化睡眠解读
● 精简模式报告误差免责声明
v2.0
规模化·模型进化·加分项
CNN-LSTM·被动采集·企业功能
模型进化
● CNN-LSTM 深度学习模型
● 千人级应用后按周重训练，有限 GPU 即可
● 自适应个人化模型（每用户单独微调）
被动采集扩展
● 击键动力学后台被动监控（iOS隐私合规后开放）
● Terra API 对接更多设备品牌原始数据
高级功能
● 睡眠呼吸暂停精密筛查升级（ODI 多位点分析）
● 不规律睡眠异常检测
● 绣入闹钟 / 损而入睡流程
商业扭转
● 企业级 / 科研学术版本
● 匿名化数据共享与学术合作
功能模块一览表
功能模块 MVP v1.0 v2.0
健康档案 + STOP-Bang + ISI（注册流程）✓——
HealthKit / Health Connect 授权接入✓——
DSST 晨间认知测试（必做，无门控）✓——
睡前日记（S3）✓——
日间精力打卡（S4，固定时间）✓——
14天基线建立 + 规则层精力预测✓——
精简模式（无穿戴设备）完整支持—✓—
HRV 智能门控（恢复好时自动免测）—✓—
XGBoost 精力预测模型—✓—
8个时点精力曲线预测 + 动态打卡推送—✓—
OSA 高风险预警（STOP-Bang + ODI）—✓—
Stroop / N-Back / 击键动力学（日间可选）—✓—
LLM AI 睡眠报告解读—✓—
CNN-LSTM 深度学习模型——✓
击键动力学后台被动监控（需合规许可）——✓
Terra API 全品牌设备原始数据接入——✓
企业级 / 科研版本 + 匿名数据共享——✓
8项目准备 · 开发 · 测试 · 上架工作清单
在开始 App 编码之前、测试阶段、以及上架阶段各需完成的具体工作项
🤖
细项复杂度评分说明： 各任务项左侧的彩色标记由 Qwen LLM（qwen-max） 一次性批量评分生成，共 81 项。评分规则如下： 低 任务明确、有标准流程或模板，普通执行可完成，无需专业判断 · 中 需调研/设计判断/跨部门协调，有参考资料但需适配本项目 · 高 需跨学科专业知识（统计/算法/工程/合规），无标准答案，决策风险高
阶段 工作大类 工作项数 负责人
阶段一
开发前 		App 功能设计及开发 8 项 马昊桪
健康设备数据接口调研及对接 4 项 马昊桪
算法设计与验证 10 项 鲁龙泽
服务端开发 8 项 鲁龙泽
服务端运维 6 项 马昊桪
阶段二
测试期 		产品功能验证 · 设计测试方案 3 项 李佳佳、朱奕锟、王舒
产品功能验证 · 测试执行 3 项 李佳佳、朱奕锟、王舒
产品内测 · 内测组织 & 问题跟进 3 项 李佳佳、朱奕锟、王舒
产品外测 · 外测对象招募 3 项 李佳佳、朱奕锟、王舒
产品外测 · 外测组织 & 问题跟进 3 项 李佳佳、朱奕锟、王舒
阶段三
上架 		Apple 开发者账号 & 合规 6 项 李佳佳、朱奕锟、王舒
App Store 素材准备 8 项 李佳佳、朱奕锟、王舒
提交前技术检查 6 项 李佳佳、朱奕锟、王舒
审核 & 发布 6 项 李佳佳、朱奕锟、王舒
上架后运维与监控 6 项 李佳佳、朱奕锟、王舒
合计 15 大类 83 项
阶段一
开发前调研 & 设计 & 服务端 (5 大类)
编码开始前必须完成
App 功能设计及开发
中☐ 用户注册与健康档案引导 UI/UX 流程设计及开发（包含 STOP-Bang 与 ISI 失眠严重程度量表）
高☐ 认知测试模块设计及客户端开发（DSST 符号数字转换、Stroop 颜色选择、N-Back 内存测试）
中☐ 击键动力学打字任务与毫秒级计时精度校验
中☐ 首页精力仪表盘、8时点精力预测曲线与置信区间动态渲染 UI
中☐ 晨间睡眠报告、睡眠分期展示与 LLM 睡眠解读交互设计
低☐ 睡前日记（S3）与日间精力打卡（S4）交互界面及离线存储机制
中☐ 通知推送服务集成（晨间打卡、日间提醒与异常体征告警）
低☐ 客户端模式切换 UI（完整穿戴设备模式 vs 精简手机模式）及免责声明
健康设备数据接口调研及对接
中☐ Apple HealthKit 各指标接口详细文档与权限申请（HRV/RHR/睡眠分期/SpO₂）
中☐ 各品牌设备（Apple Watch / Oura / Garmin）通过 HealthKit 写入数据的对接与兼容性测试
高☐ 精简模式数据缺失降级策略（无 HRV 时的权重重分配算法）
中☐ 客户端健康数据本地缓存与批量上报机制
算法设计与验证
高☐ 精力预测特征集确定（睡眠时长/HRV/SpO₂/DSST 各指标权重公式）
高☐ 规则层加权公式设计（基线偏差百分比触发规则与阈值）
高☐ XGBoost 模型方案设计（特征工程 / 超参数范围 / 训练策略）
高☐ 个人基线校准算法设计（14天滚动窗口 / 冷启动处理逻辑）
高☐ 精简模式降级权重重分配算法（无 HRV 时主观+DSST 补偿公式）
中☐ 离线数据集验证方案（MESA / PhysioNet 公开数据集预评估）
中☐ 模型评估指标与合格阈值确定（MAE ≤ x / AUC ≥ y 的业务定义）
中☐ 完整模式 vs 精简模式预测精度对比方案（离线 AUC 验证设计）
中☐ 好差睡眠日 DSST 差异文献调研（建立显著性检验先验参考）
中☐ 算法规则更新与边缘异常状态处理
服务端开发
高☐ FastAPI 核心后端架构搭建与分层设计（路由/控制器/服务/数据访问）
中☐ PostgreSQL 数据表结构设计与 Alembic 数据库迁移机制建立
中☐ HealthKit / Health Connect 批量数据接收 API 开发与格式校验
低☐ 认知测试（PVT/DSST）成绩与击键特征上报接口开发
高☐ 睡眠分析、OSA 风险评估与精力预测核心算法接口集成
中☐ LLM (Gemini API) 晨间睡眠解读报告异步生成服务开发
中☐ JWT 用户鉴权、Token 刷新与数据接口权限校验逻辑实现
低☐ 客户端 API 错误码处理机制与脱敏日志记录系统设计
服务端运维
中☐ 阿里云生产环境 Linux 系统初始化与安全组配置
中☐ Nginx 反向代理配置（支持 HTTPS、SSL 证书自动续期、Gzip 压缩）
低☐ Systemd 服务进程管理与 FastAPI / Uvicorn 自动重启挂载
中☐ Redis 缓存服务搭建与高并发 Session / 限流配置
中☐ 自动化部署 CI/CD 脚本与 SSH 秘钥无缝发布流程搭建
高☐ 数据库脱敏定时备份机制与磁盘空间监控报警配置
阶段二
数据采集 & 产品测试 (5 大类)
涵盖功能验证、内测组织与外测拓展
产品功能验证 · 设计测试方案
中☐ 测试用例与功能覆盖范围确定（含客户端 UI/交互、健康数据同步、PVT 测试、预测曲线及 LLM 报告）
中☐ 边界条件与异常场景测试方案设计（脱腕、离线断网、跨时区、睡眠<3h、极值处理）
低☐ 自动化与手动测试用例撰写，测试数据集及 Mock 数据准备
产品功能验证 · 测试执行
低☐ 客户端主流程与 UI/UX 体验多轮回归测试
中☐ HealthKit / Health Connect 数据同步与后端数据库一致性校验
中☐ 系统性能、内存泄漏、PVT 毫秒级帧率与应用崩溃率（Crash Rate）实测
产品内测 · 内测组织 & 问题跟进
低☐ 内部团队与核心种子用户 TestFlight 内测包发布与分发
低☐ 每日内测打卡、PVT 完成率与体征采集状态实时监控
中☐ 内测 Bug 提交登记、严重点级划分（P0-P3）与研发修复跟进验证
产品外测 · 外测对象招募
低☐ 确定外测目标与样本量规划（完整穿戴设备组与精简手机组分布）
中☐ 招募渠道建立、筛选问卷发布与参与者纳入/排除条件审查
中☐ 参与者知情同意书（Informed Consent）签署、合规授权与激励方案落地
产品外测 · 外测组织 & 问题跟进
中☐ 外测每日任务发放、遵从率（Compliance Rate）监控与防掉队提醒
中☐ 外测用户体征数据导出、精力预测偏差与外测满意度访谈
中☐ 外测紧急 Bug 修复、补救方案实施与最终外测总结报告编制
阶段三
App Store 上架
提交审核前必须完成的合规与素材工作
Apple 开发者账号 & 合规
低☐ Apple Developer Program 账号注册（$99/年 或教育账号申请）
低☐ App ID / Bundle ID 注册
中☐ HealthKit 权限使用说明文案（Apple 要求填写每项权限用途）
中☐ 隐私政策页面搭建（需有效 URL，内容覆盖数据收集/存储/共享/删除权）
中☐ 用户协议/服务条款页面搭建
中☐ App 使用医疗相关词汇审查（避免"诊断/治疗"等触发医疗器械审核的词）
App Store 素材准备
低☐ App 图标设计（1024×1024px，所有尺寸导出）
低☐ App Store 截图设计（6.7"/6.1"/iPad 各尺寸，建议5-8张）
中☐ App 预览视频制作（可选，30秒内，展示核心使用流程）
低☐ App 名称确定（英文 + 中文副标题，30字符限制）
中☐ App 描述文案撰写（100字 促销文本 + 4000字 详细描述）
中☐ 关键词研究 & 填写（100字符，ASO 优化）
低☐ 分类选择（Health & Fitness 或 Medical）
低☐ 年龄分级问卷填写
提交前技术检查
中☐ TestFlight 内测（至少10人完成全流程测试，收集崩溃报告）
低☐ Xcode 编译 Archive 无警告
低☐ 所有 HealthKit 权限 Info.plist 描述字段填写完整
低☐ App Transport Security 配置（HTTPS 全覆盖）
中☐ 无第三方 SDK 合规风险扫描（特别是广告/追踪 SDK）
高☐ 国内外数据存储合规检查（若涉及中国用户，需考虑 PIPL）
审核 & 发布
低☐ 审核员演示账号准备（预填数据，避免空白状态无法演示功能）
中☐ 审核备注说明（解释 HealthKit 权限必要性、非医疗诊断声明）
低☐ 预计首次审核周期：1-3个工作日（被拒时准备快速修复预案）
低☐ 上架后监控（评分/崩溃率/次日留存/Day7留存）
低☐ 用户评论回复机制建立
中☐ 后续迭代版本规划（v1.1 bug fix / v1.2 功能增补）
词专业名词词汇表
报告中出现的缩写与专业术语说明，页面中首次出现的术语可悬停查看简介
PVT
Psychomotor Vigilance Task · 心理运动警觉性任务
一种用来评估个体注意力和反应速度的心理测试。
DSST
Digit Symbol Substitution Test · 数字符号替换测试
用于测量处理速度、注意力及视觉-运动协调能力的认知功能测试。
N-Back
N-Back Task · N-回溯任务
一种衡量工作记忆和执行功能的神经心理学实验，要求参与者记住并比较当前与之前N个刺激之间的关系。
Stroop
Stroop Effect/Task · 斯特鲁普效应/任务
通过让受试者命名颜色而非阅读单词来考察其认知灵活性和抑制控制能力的任务。
HRV
Heart Rate Variability · 心率变异性
指心跳间隔时间的变化程度，是反映心脏健康状况的一个重要指标。
RHR
Resting Heart Rate · 静息心率
人在完全休息状态下每分钟的心跳次数，通常用来评估心血管健康状态。
SpO₂
Peripheral Capillary Oxygen Saturation · 外周血氧饱和度
表示血液中氧气结合到血红蛋白上的比例，是监测呼吸系统健康的重要参数之一。
ISI
Insomnia Severity Index · 失眠严重程度指数
一种自我报告问卷，用于量化失眠症状及其对日常生活的影响程度。
STOP-Bang
Snoring, Tiredness, Observed Apnea, High Blood Pressure, Body Mass Index, Age, Neck Circumference, and Male Gender · 打鼾、疲倦、观察到的呼吸暂停、高血压、体重指数、年龄、颈围以及男性性别
一个筛查工具，用于识别可能患有阻塞性睡眠呼吸暂停综合症（OSA）风险较高的个体。
OSA
Obstructive Sleep Apnea · 阻塞性睡眠呼吸暂停
一种常见的睡眠障碍，特征是在睡眠过程中反复出现上呼吸道部分或完全阻塞导致呼吸暂停。
AUC
Area Under the Curve · 曲线下面积
在统计学中，特别是在ROC曲线分析时使用，用来衡量分类模型性能的好坏。
MAE
Mean Absolute Error · 平均绝对误差
预测值与真实值之间差异的绝对值的平均数，用以评价预测模型的准确性。
RMSE
Root Mean Square Error · 均方根误差
另一种衡量预测模型精度的方法，计算的是预测值与实际观测值之间差的平方根的平均值。
ICC
Intraclass Correlation Coefficient · 组内相关系数
统计学上用来评估两个或多个变量间一致性水平的指标，常用于可靠性分析。
XGBoost
Extreme Gradient Boosting · 极限梯度提升
一种高效实现的机器学习算法，特别适用于大规模数据集上的回归、分类等任务。
ODI
Oxygen Desaturation Index · 氧饱和度下降指数
每小时睡眠期间血氧水平降至特定阈值以下的次数，用于评估睡眠期间低氧血症的程度。
HealthKit
苹果公司开发的一个框架，允许开发者创建能够访问用户健康信息的应用程序。
ASO
App Store Optimization · 应用商店优化
一系列旨在提高移动应用程序在应用商店搜索结果中可见性和下载量的技术和策略。
PIPL
Personal Information Protection Law of the People's Republic of China · 中华人民共和国个人信息保护法
中国制定的一部法律，旨在规范个人信息处理活动，保护个人隐私权益。
MVP
Minimum Viable Product · 最小可行产品
开发新产品时采用的一种策略，即以最少的功能集合快速推出市场，以便尽早收集用户反馈进行迭代改进。
ROC
Receiver Operating Characteristic · 接收者操作特性
一种图形化方法，用于展示分类器在不同阈值设置下的真正例率与假正例率之间的权衡关系。
Bland-Altman
Bland-Altman Plot · 布兰德-阿尔特曼图
一种可视化工具，用于比较两种测量方法之间的一致性或可重复性。
jsPsych
JavaScript Psychology · JavaScript 心理学
一个基于Web的库，使研究人员能够轻松地在线创建和运行各种类型的心理学实验。
PsychoPy
一款开源软件包，专为心理学家设计，支持创建复杂的视觉和听觉实验，并可用于教学和研究目的。
CNN-LSTM
Convolutional Neural Network - Long Short-Term Memory · 卷积神经网络-长短期记忆网络
融合 CNN 与 LSTM 的深度学习架构：CNN 提取局部时序特征模式，LSTM 捕捉长时依赖关系，特别适合睡眠生理信号等多维时间序列的预测任务。
🤖 词条解释由 Qwen LLM（qwen-max）生成，仅供参考